[논문 리뷰] A Distributed Acoustic Sensor System for Intelligent Transportation using Deep Learning

Chia-Yen Chiang, Mona Jaber외 1명|arXiv (Cornell University)|2022. 09. 13.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

이 논문은 섬유광 케이블에서의 분산 음향 센싱(DAS)을 기반으로 한 딥러닝 기반 시스템을 제안하여 지능형 교통 시스템(ITS)에서 차량 유형을 분류하고 점유율을 추정한다. 제어 조건 하에서 차량 분류 정확도는 92%이며, 점유율 검출 정확도는 92–97%를 기록한다. 이는 카메라 기반 방법에 비해 개인정보 보호가 가능하고 확장성이 뛰어난 대안을 제공한다.

ABSTRACT

Intelligent transport systems (ITS) are pivotal in the development of sustainable and green urban living. ITS is data-driven and enabled by the profusion of sensors ranging from pneumatic tubes to smart cameras. This work explores a novel data source based on optical fibre-based distributed acoustic sensors (DAS) for traffic analysis. Detecting the type of vehicle and estimating the occupancy of vehicles are prime concerns in ITS. The first is motivated by the need for tracking, controlling, and forecasting traffic flow. The second targets the regulation of high occupancy vehicle lanes in an attempt to reduce emissions and congestion. These tasks are often conducted by individuals inspecting vehicles or through the use of emerging computer vision technologies. The former is not scale-able nor efficient whereas the latter is intrusive to passengers' privacy. To this end, we propose a deep learning technique to analyse DAS signals to address this challenge through continuous sensing and without exposing personal information. We propose a deep learning method for processing DAS signals and achieve 92% vehicle classification accuracy and 92-97% in occupancy detection based on DAS data collected under controlled conditions.

연구 동기 및 목표

• 지능형 교통 시스템(ITS)에서 차량 분류 및 점유율 추정을 위한 확장성 있고 개인정보 보호가 가능한 방법을 개발하기 위해.
• 기존 섬유광 인프라를 분산 음향 센서(DAS)로 활용하여 연속적이고 실시간으로 교통을 모니터링할 수 있도록 하기 위해.
• 고비용, 개인정보 우려, 시야각 제한 등의 문제를 야기하는 카메라 기반 시스템의 한계를 해결하기 위해.
• DAS 신호가 딥러닝을 통해 정확한 차량 및 점유율 분류에 필요한 충분한 시공간적 특징을 포함하고 있음을 입증하기 위해.

제안 방법

• 시스템은 원시 DAS 신호에서 시공간적 특징을 추출하기 위해 1D 및 2D 컨volutional 신경망(CNNs)을 사용한다. 이는 섬유광 케이블을 통해 수집된 DAS 신호에서 유도된다.
• 1D-CNN은 시간적 시리즈 DAS 파형을 처리하여 차량 크기와 점유율을 분류하고, 2D-CNN은 스펙트로그램 표현을 사용하여 특징 학습을 향상시킨다.
• 과적합을 줄이기 위해 훈련 중 데이터 증강 및 드롭아웃 레이어를 적용하지만, 데이터셋 크기가 작아 효과가 제한적이라는 결과가 나타났다.
• 모델은 다양한 속도와 점유율로 주행한 다섯 대의 차량에서 수집한 제어된 실험 데이터를 기반으로 훈련되었으며, 별도의 검증용 비공개 데이터셋을 사용해 검증하였다.
• 분류 성능 향상을 위해 DAS 신호에서 스펙트로그램을 생성하여 시간 및 주파수 해상도를 향상시켰다.
• 모델 수렴 최적화를 위해 초모수 튜닝 및 조기 정지 기법을 사용하였으며, 특히 5개 클래스 분류 작업에서 효과적이었다.

Figure 1: Ten highlighted lines show car moving at a constant speed of 60 km/h. Each line is labelled with the number of passengers (RC-Mix).

실험 결과

연구 질문

• RQ1 섬유광 케이블에서의 DAS 신호는 지능형 교통 시스템에서 차량 유형 분류 및 점유율 수준 추정에 효과적으로 활용될 수 있는가?
• RQ2 개인 정보를暴露하지 않으면서도 DAS 신호가 차량 크기와 승객 수에 대한 정보를 어느 정도 유지하는가?
• RQ3 훈련 데이터와 독립된 비공개 테스트 데이터 간의 모델 성능은 어떻게 달라지며, 특히 점유율 추정에서의 성능 변화는 어떠한가?
• RQ4 제한된 정보 내용과 높은 노이즈로 인해 1D-CNN이 DAS 신호에서 중요한 특징을 효과적으로 추출할 수 있는가?
• RQ5 다양한 차량 속도와 점유율이 다양한 차량 유형 간의 일반화 능력에 영향을 미치는가?

주요 결과

• 1D-CNN은 주요 데이터셋(AllCars-1p)에서 차량 크기 분류에 92%의 정확도를 기록했으며, 대형 차량은 89%, 소형 차량은 94%의 정확도를 기록했다.
• 훈련 데이터에서는 점유율 검출 정확도가 97%였지만, 독립된 테스트 세트에서는 38%로 급격히 떨어져 심각한 과적합이 확인되었다.
• 훈련 데이터에서는 차량 분류 정확도가 92%였지만, 독립 검증 세트에서는 64%로 떨어져 과적합 문제를 확인했다.
• RC-60-Mix 데이터셋에서는 차량 크기 분류 정확도가 72%를 유지하여 다양한 승객 수에 대한 강건성을 입증했다.
• 1D-CNN 모델은 2D-CNN보다 계산 효율성이 뛰어나지만, 1D 샘플의 정보가 제한적이기 때문에 특징 추출에 어려움을 겪는다.
• 속도 관련 특징이 지배적이지만도 모델이 차량 크기를 성공적으로 구분함으로써, DAS 신호가 차량의 구조적 및 동적 특성을 인코딩하고 있음을 시사한다.

Figure 2: Section of DAS collected data for 50 km/h experiment showing the five target vehicles in addition to two unwanted ones (taken from AllCars-1p).